本研究展示了一种使用生成式对抗训练的方法，用于生成精确的视网膜血管地图，它可以用于自动检测眼底图像中视网膜疾病。

Jun, 2017

利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

Sep, 2023

本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

Nov, 2016

该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法，采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上，测试集准确率达到 99.96%，并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强（SVE）” 方法，经比较深度学习模型在 SVE 图像、原始图像和平滑 Grad-CAM ++ 图像上的分类性能后，提取 SVE 图像的深度学习特征和传统特征并输入到九个元学习器进行分类，结果表明我们提出的 UNet-SVE-VGG-MLP 模型在 STARE 数据库上对与视网膜底层图像相关疾病的分类具有最佳性能，测试集的整体准确率达到 99.96%，14 个类别的加权 AUC 为 99.98%。该方法可实现视网膜底层图像相关疾病的快速、客观、准确的分类与诊断。

May, 2024

视网膜血管分割是通过眼底图像提取临床相关信息的方法。我们在迄今为止最大的公开数据集上为文献中常用的各种架构和训练选择提供了严格的基准，并评估了五个已发布的模型在公开可用的 FIVES 眼底图像数据集上的性能，同时比较了不同模型架构在不同损失函数、图像质量水平和眼科疾病条件下的性能表现，并评估了它们在面对疾病诱导的领域转变时的能力。当具备足够的训练数据时，基本架构如 U-Net 的性能可以媲美更先进的架构，并且对于大多数架构，跨疾病诱导的领域转变通常表现良好。然而，我们发现图像质量是决定分割结果的关键因素。在优化分割性能时，将一个标准架构与高质量的数据集相结合比在较小或图像质量较低的数据集上调整复杂架构的效果更好。因此，我们从临床相关性的角度上总结了架构进展的实用性，为根据临床环境情况选择模型提供了实际指导。

Jun, 2024

本文在评估了三种高性能卷积神经网络在分割遗传性视网膜病变视网膜血管图像方面的性能后，得出结论，现有的公共数据集对帮助眼科医生诊断遗传性视网膜病变所需的高性能预测模型存在一定限制，需要更加详细的数据集或更深层的模型。

Jun, 2023

提出了一种基于 OCT-A 的血管分割网络 SCF-Net，并在 ROSE 数据集上进行了全面的评估，结果表明相对于传统方法和其他深度学习方法，SCF-Net 在 OCT-A 中具有更好的血管分割性能。

Jul, 2020

提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制，对视网膜血管分割问题进行了降低，取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。

Nov, 2023

本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

Jul, 2023

本文综述了最新的深度学习方法的设计特点、性能评估指标以及优缺点，主要围绕自动视网膜血管分割的应用展开。

Jun, 2023